Empfehlungssysteme zielen darauf ab, die Interessen der Benutzer zu erfassen und mass geschneiderte Empfehlungen zu geben. Die Interessen der Benutzer sind oft einzigartig und hängen von vielen unbeobachtbaren Faktoren ab, z.B. Stimmungen oder externen Ereignissen. Dieses Phänomen schafft ein breites Aufgabenspektrum für Empfehlungssysteme. Alle Aufgabe zusammen sind schwer zu lösen. Durch die Analyse historischer Aktivitäten der Benutzer werden die charakteristischen Merkmale einzelner Verhaltensweisen gefunden, um qualifizierte Empfehlungen zu ermöglichen.

In dieser Arbeit beschäftigen wir uns mit dem Problem, diese Interessen zu verstehen, nach sachdienlich Empfehlungen zu suchen und sie zu ordnen, um den Benutzern die Relevantesten, in verschiedenen Kontexten und Situationen, zu empfehlen. Wir konzentrieren uns auf Empfehlungsprobleme in sequentiellen Szenarien, in denen der Verlauf vergangener Ereignisse die zukünftigen Entscheidungen der Benutzer beeinflusst. Diese Ereignisse sind entweder die entwickelten Vorlieben der Nutzer über einen längeren Zeitraum oder stark vom Zeitgeist und den gängigen Trends beeinflusst. Wir geh\"oren zu den Ersten, die Empfehlungssysteme sequentiell und unter Ausnutzung der kurzfristigen Umstände modellieren.

Wir nutzen Bestärkendes Lernen, um die zugrunde liegenden kurz- und langfristigen Benutzerinteressen ohne explizites Feedback zu erfassen und entwickeln Ansätze für sequentielle Empfehlungssysteme. Diese Ansätze sind darauf ausgelegt, Modelle für verschiedene Arten von Empfehlungsaufgaben effizient zu erlernen, und werden auf Stetig und multi-Agenten Probleme erweitert. Alle vorgeschlagenen Methoden werden empirisch von E-Commerce bis zu Sport untersucht und zeigen im Vergleich zu Baseline-Ansätzen eine hervorragende Leistung.